Gabriel Bortoleto trola Nico Hulkenberg no GP dos Estados Unidos

Em um momento que rapidamente viralizou, Gabriel Bortoleto, da Audi, pregou uma peça em seu companheiro de equipe, Nico Hulkenberg, durante a entrada dos pilotos no Circuito das Américas. Sob os aplausos de milhares de fãs, o brasileiro baixou as calças de Hulkenberg, trazendo leveza a um fim de semana de corrida sob alta pressão em Austin.

Por que isso importa

A interação descontraída destaca a forte sintonia entre os dois pilotos, apesar da imensa pressão sobre a Audi em seus primeiros anos de operação total de fábrica. Em uma temporada marcada por lutas técnicas e a busca por relevância no pelotão intermediário, manter um ambiente interno positivo é fundamental para a coesão da equipe enquanto navegam rumo aos regulamentos de 2026.

Os Detalhes

• Momento Viral: A trolagem ocorreu durante a caminhada de sexta-feira, com Hulkenberg reagindo com bom humor enquanto a multidão vibrava.
• Classificação: A Audi ocupa atualmente a oitava posição no Campeonato de Construtores de 2026, com um total de 23 pontos.
• Desempenho: Nico Hulkenberg contribuiu com 13 pontos, enquanto Bortoleto assegurou 10.
• Penalidade de Grid: Bortoleto largará da última posição no Grande Prêmio dos Estados Unidos no domingo, após a equipe exceder a alocação de componentes de sua unidade de potência.

O Cenário Geral

A campanha de 2026 tem sido um aprendizado intenso para a escuderia de Ingolstadt. Desde a transição da era Sauber, a equipe tem lutado para encontrar ritmo constante e confiabilidade. Após problemas notáveis em Singapura, a Audi ainda tenta estabilizar a performance de sua unidade de potência. Embora a parceria entre o veterano Hulkenberg e o jovem Bortoleto seja uma das mais relaxadas do grid, a escassez de pontos reflete a dificuldade da atual transição técnica.

O que vem a seguir

O foco principal da Audi agora é confiabilidade e consistência. Bortoleto expressou otimismo quanto às melhorias recentes, enfatizando a necessidade de completar as corridas e sessões de classificação restantes sem falhas mecânicas graves para maximizar a extração de dados para o desenvolvimento futuro.